1. Descripció del dataset

Aquest dataset prové de la pràctica anterior, en la qual, no vaig prestar gens d’atenció a la neteja de les dades, donant com a resultat un dataset molt brut. Això es va fer a proposit per tal de poder aprofitar aquest dataset en aquesta pràctica.

Aquest dataset conté informació sobre ofertes laborals trobades a la web proporcionada per l’estat Espanyol per a tal proposit.

La pregunta que volem respondre amb aquest dataset serà:

A la pràctica anterior enumerabem també les següents idees:

Però aquestes les deixarem per futurs treballs.

2. Integració i selecció de les dades d’interès a analitzar

Per aquest apartat ja es va crear un script python que s’encarregaba d’ajuntar les dades obtingudes en diferents dies. La idea darrera d’aquest script era la de recolectar totes les dades disponibles a la web en una primera pasada, i desprès anar actualitzant el dataset agafant dades diaries i agrupant-les sota el mateix fitxer .csv

Per tant, en aquest apartat considero que no haig de fer més que el ja fet fins a la data.

El script es pot trobar en la següent URL: [https://github.com/amilan/spanish_job_market/blob/master/src/dataset_merge.py]

També tinc en compte, que la web oficial de la qual es va extreure les dades, ja recopila aquestes dades de diferent fonts, així doncs, no considero que sigui necessari l’integració de dades de diferentes fonts, ja que aquesta ha estat realitzada anteriorment.

Hauria d’explicar una mica com faria aquesta integració en cas de que no hagués estat feta per la propia font utilitzada? Revisar si s’ha d’expandir més aquesta explicació sobre la integració i selecció de dades d’interès

En aquest apartat seleccionarem les dades necessaries per als nostres estudis. Hem de tenir en compte, que a la pràctica anterior hem vaig limitar a agafar totes les dades possibles i a possar-les en un fitxer .csv. Aquestes dades provenien d’una base de dades NoSQL, ja que vaig detectar que amb les mateixes crides, podiem obtenir dades amb diferents esquemes (schemaless). Així doncs, farem una selecció de les dades que utilitzarem i eliminarem així dades no necessàries o repetides.

Començem carregant les dades:

offers <- read.csv("./data/offers_dataset.csv")
head(offers)
length(offers$categoria)
[1] 40534

Com podem veure, tenim 40534 registres i 94 característiques, moltes de les quals no ens seràn d’utilitat.

names(offers)
 [1] "categoria"           "categoriaF"          "categoriaS"          "ciudad"              "ciudadF"             "companiaSeleccion"   "competenciasReq"     "comunidad"           "comunidadF"         
[10] "consulta1"           "consulta2"           "consulta3"           "consulta4"           "contenido"           "creador"             "cuestionario"        "discapacidad"        "duracion"           
[19] "educacion"           "educacionDes"        "educacionDesF"       "educacionF"          "educacionReq"        "educacionReqF"       "educacionS"          "email"               "empresaSocial"      
[28] "ett"                 "fechaCreacion"       "fechaCreacionBoost"  "fechaCreacionPortal" "fechaIncorporacion"  "fechaRevision"       "formacionReq"        "horario"             "id"                 
[37] "jornada"             "jornadaF"            "localizacion"        "minExperiencia"      "nivel"               "noMeInteresa"        "numCandidatos"       "oReq"                "oferta"             
[46] "origen"              "pais"                "paisF"               "paisS"               "provincia"           "provinciaF"          "provinciaLimitrofe"  "provinciaS"          "publicado1"         
[55] "publicado2"          "publicado3"          "publicado4"          "respuesta1A"         "respuesta1B"         "respuesta2A"         "respuesta2B"         "respuesta2C"         "respuesta3A"        
[64] "respuesta3B"         "salarioMax"          "salarioMin"          "score"               "sector"              "sectorF"             "sisgarjuv"           "speState"            "speStateId"         
[73] "subcategoria"        "subcategoriaF"       "subcategoriaS"       "subsector"           "subsectorF"          "tamanoCompania2"     "telefono"            "tipoContrato"        "tipoContratoN"      
[82] "titulo"              "trabajosOfertados"   "url"                 "valor1A"             "valor1B"             "valor2A"             "valor2B"             "valor3B"             "verMail"            
[91] "verSalarioMax"       "verSalarioMin"       "verTelefono"         "web"                

Així doncs, començarem seleccionant les dades d’interés. Recordem que la meva intenció es la de fer un estudi sobre els tipus d’ofertes de treballs a Espanya i en concret a cadascuna de les regions.

Primerament, comprovarem que només tenim dades d’ofertes realitzades a Espanya.

levels(offers$paisS)
[1] "CONGO"   "ESPAÑA" "ESPAÑA"  "ESPA��A"

Comprovem dues coses, que tenim ofertes d’Espanya i també al Congo, i que tenim un problema de codificació de caracters, ja que ens troba el país d’Espanya en tres factors diferents. Com que només volem utilitzar les dades de les ofertes a Espanya, podem seleccionar totes les que no siguin al Congo i desprès eliminar aquesta columna.

Podem corregir les dades erronees de país:

offers$paisS <- sub("ESPAÑA", "ESPAÑA", offers$paisS)
offers$paisS <- sub("ESPA��A", "ESPAÑA", offers$paisS)
levels(factor(offers$paisS))
[1] "CONGO"  "ESPAÑA"

També podriem haver canviat la codificació dels caracters, com veurem més endavant.

Seleccionem ara només les ofertes a Espanya.

#offers_sp <- subset(offers, !(paisS %in% c("CONGO"))
#offers_sp <- subset(offers, !(paisS == "CONGO"))
offers <- subset(offers, paisS == "ESPAÑA")
levels(factor(offers$paisS))
[1] "ESPAÑA"
# paisS es ara del tipus chr, hauriem de convertirla de nou a factor
offers$paisS <- factor(offers$paisS)
class(offers$paisS)
[1] "factor"

Seguidament, eliminarem les colummnes que ofereixen informació duplicada. Ens quedarem amb les característiques:

selected_features <- c("categoriaF", "ciudadF", "comunidadF", "educacionF", "fechaCreacion", "jornadaF", "provinciaS", "salarioMax", "salarioMin", "subcategoriaS")
offers <- offers[selected_features]
head(offers)

3. Neteja de les dades

Com que ens hem adonat abans que hi teniem problemes de codificació amb els strings, lo primer que farem serà corregir aquests problemes.

levels(offers$comunidadF)
 [1] ""                       "ANDALUCÃ�A"             "ANDALUCÍA"              "ARAGÓN"                "ARAGÓN"                 "CANTABRIA"              "CASTILLA LA MANCHA"     "CASTILLA Y LEÓN"      
 [9] "CASTILLA Y LEÓN"        "CASTILLA Y LE��N"       "CATALUÑA"              "CATALUÑA"               "CATALU��A"              "CEUTA"                  "COMUNIDAD VALENCIANA"   "EXTREMADURA"           
[17] "GALICIA"                "ILLES BALEARS"          "ISLAS CANARIAS"         "LA RIOJA"               "MADRID"                 "MELILLA"                "NAVARRA"                "PA�S VASCO"           
[25] "PAÍS VASCO"             "PRINCIPADO DE ASTURIAS" "REGIÓN DE MURCIA"      "REGIÓN DE MURCIA"       "REGI��N DE MURCIA"      "Sin especificar"       
offers$comunidadF <- sub("ARAGÓN", "ARAGÓN", offers$comunidadF)
offers$comunidadF <- sub("CASTILLA Y LE��N", "CASTILLA Y LEÓN", offers$comunidadF)
offers$comunidadF <- sub("CASTILLA Y LEÓN", "CASTILLA Y LEÓN", offers$comunidadF)
offers$comunidadF <- sub("CATALU��A", "CATALUÑA", offers$comunidadF)
offers$comunidadF <- sub("CATALUÑA", "CATALUÑA", offers$comunidadF)
offers$comunidadF <- sub("ANDALUCÃ�A", "ANDALUCÍA", offers$comunidadF)
offers$comunidadF <- sub("REGI��N DE MURCIA", "REGIÓN DE MURCIA", offers$comunidadF)
offers$comunidadF <- sub("REGIÓN DE MURCIA", "REGIÓN DE MURCIA", offers$comunidadF)
offers$comunidadF <- sub("PAÃ�S VASCO", "PAÍS VASCO", offers$comunidadF)
offers$comunidadF <- sub("Sin especificar", "", offers$comunidadF)
offers$comunidadF <- factor(offers$comunidadF)
levels(offers$comunidadF)
 [1] ""                       "ANDALUCÍA"              "ARAGÓN"                 "CANTABRIA"              "CASTILLA LA MANCHA"     "CASTILLA Y LEÓN"        "CATALUÑA"               "CEUTA"                 
 [9] "COMUNIDAD VALENCIANA"   "EXTREMADURA"            "GALICIA"                "ILLES BALEARS"          "ISLAS CANARIAS"         "LA RIOJA"               "MADRID"                 "MELILLA"               
[17] "NAVARRA"                "PAÍS VASCO"             "PRINCIPADO DE ASTURIAS" "REGIÓN DE MURCIA"      

Veiem que en aquest cas podem tenir valor buit (“”) o sin especificar. Ens interessa deixar-ho com valor buit, ja que sabem que la oferta ha d’estar ubicada en alguna comunitat, però no sabem en quina.

levels(offers$categoriaF)
 [1] ""                                     "ADMINISTRACIÓN"                      "ADMINISTRACIÓN"                       "AGRICULTURA/JARDINERÍA/ALIMENTACIÓN"  "ALMACENES/REPONEDORES"               
 [6] "APRENDICES/PRIMER EMPLEO"             "ARQUITECTURA/DISEÑO"                  "COMERCIAL/VENTAS"                     "COMUNICACIÓN/CULTURA/ENTRETENIMIENTO" "CONDUCTORES/TRANSPORTE"              
[11] "CONSTRUCCIÓN"                         "CONSTRUCCI��N"                        "CUIDADOS/ASISTENCIA EN EL HOGAR"      "DEPENDIENTES/INFORMACIÓN"             "DERECHO/PSICOLOGÍA/CIENCIAS SOCIALES"
[16] "DIRECTIVOS"                           "EDUCACIÓN/SERVICIOS SOCIALES"        "EDUCACIÓN/SERVICIOS SOCIALES"         "EDUCACI��N/SERVICIOS SOCIALES"        "ELECTRICIDAD/ELECTRÓNICA/ENERGÍA"    
[21] "ELECTRICIDAD/ELECTR��NICA/ENERG��A"   "FÁBRICAS/INDUSTRIA"                   "FÃ�BRICAS/INDUSTRIA"                  "HOSTELERÍA/TURISMO"                   "HOSTELER��A/TURISMO"                 
[26] "INFORMÁTICA/TELECOMUNICACIONES"       "INFORMÃ�TICA/TELECOMUNICACIONES"      "INFORM��TICA/TELECOMUNICACIONES"      "INGENIERÃ�A/CALIDAD/CIENCIAS"         "INGENIERÍA/CALIDAD/CIENCIAS"         
[31] "METAL/MECÁNICA"                       "METAL/MECÃ�NICA"                      "PELUQUERÍA/ESTÉTICA"                  "SALUD/DEPORTE"                        "VIGILANCIA/SERVICIOS"                

En comptes de corregir un a un, transformarem les dades al format latin1.

# convertim les dades a encoding latin1
offers$categoriaF <- factor(iconv(offers$categoriaF, to = "latin1"))
levels(offers$categoriaF)
 [1] ""                                     "ADMINISTRACIÓN"                       "AGRICULTURA/JARDINERÍA/ALIMENTACIÓN"  "ALMACENES/REPONEDORES"                "APRENDICES/PRIMER EMPLEO"            
 [6] "ARQUITECTURA/DISEÑO"                  "COMERCIAL/VENTAS"                     "COMUNICACIÓN/CULTURA/ENTRETENIMIENTO" "CONDUCTORES/TRANSPORTE"               "CONSTRUCCIÓN"                        
[11] "CUIDADOS/ASISTENCIA EN EL HOGAR"      "DEPENDIENTES/INFORMACIÓN"             "DERECHO/PSICOLOGÍA/CIENCIAS SOCIALES" "DIRECTIVOS"                           "EDUCACIÓN/SERVICIOS SOCIALES"        
[16] "ELECTRICIDAD/ELECTRÓNICA/ENERGÍA"     "FÁBRICAS/INDUSTRIA"                   "HOSTELERÍA/TURISMO"                   "INFORMÁTICA/TELECOMUNICACIONES"       "INGENIERÍA/CALIDAD/CIENCIAS"         
[21] "METAL/MECÁNICA"                       "PELUQUERÍA/ESTÉTICA"                  "SALUD/DEPORTE"                        "VIGILANCIA/SERVICIOS"                

TODO: Revisar provincias!!! Guipuzcua esta repetida!!!!

levels(offers$provinciaS)
 [1] ""                       "ÁLAVA"                  "ALBACETE"               "ALICANTE"               "ALMERÍA"                "ASTURIAS"               "ÁVILA"                  "BADAJOZ"               
 [9] "BALEARS (ILLES)"        "BARCELONA"              "BURGOS"                 "CÁCERES"                "CÁDIZ"                  "CANTABRIA"              "CASTELLÓN"              "CEUTA"                 
[17] "CIUDAD REAL"            "CÓRDOBA"                "CORUÑA (A)"             "CUENCA"                 "GIRONA"                 "GRANADA"                "GUADALAJARA"            "GUIPÚZCOA"            
[25] "GUIPÚZCOA"              "HUELVA"                 "HUESCA"                 "JAÉN"                   "LEÓN"                   "LLEIDA"                 "LUGO"                   "MADRID"                
[33] "MÁLAGA"                 "MELILLA"                "MURCIA"                 "NAVARRA"                "OURENSE"                "PALENCIA"               "PALMAS (LAS)"           "PONTEVEDRA"            
[41] "RIOJA (LA)"             "SALAMANCA"              "SANTA CRUZ DE TENERIFE" "SEGOVIA"                "SEVILLA"                "SORIA"                  "TARRAGONA"              "TERUEL"                
[49] "TOLEDO"                 "VALENCIA"               "VALLADOLID"             "VIZCAYA"                "ZAMORA"                 "ZARAGOZA"              

Podem veure que Guipúzcua està repetida degut a la mala codificació.

# convertim les dades a encoding latin1
offers$provinciaS <- factor(iconv(offers$provinciaS, to = "latin1"))
levels(offers$provinciaS)
 [1] ""                       "ÁLAVA"                  "ALBACETE"               "ALICANTE"               "ALMERÍA"                "ASTURIAS"               "ÁVILA"                  "BADAJOZ"               
 [9] "BALEARS (ILLES)"        "BARCELONA"              "BURGOS"                 "CÁCERES"                "CÁDIZ"                  "CANTABRIA"              "CASTELLÓN"              "CEUTA"                 
[17] "CIUDAD REAL"            "CÓRDOBA"                "CORUÑA (A)"             "CUENCA"                 "GIRONA"                 "GRANADA"                "GUADALAJARA"            "GUIPÚZCOA"             
[25] "HUELVA"                 "HUESCA"                 "JAÉN"                   "LEÓN"                   "LLEIDA"                 "LUGO"                   "MADRID"                 "MÁLAGA"                
[33] "MELILLA"                "MURCIA"                 "NAVARRA"                "OURENSE"                "PALENCIA"               "PALMAS (LAS)"           "PONTEVEDRA"             "RIOJA (LA)"            
[41] "SALAMANCA"              "SANTA CRUZ DE TENERIFE" "SEGOVIA"                "SEVILLA"                "SORIA"                  "TARRAGONA"              "TERUEL"                 "TOLEDO"                
[49] "VALENCIA"               "VALLADOLID"             "VIZCAYA"                "ZAMORA"                 "ZARAGOZA"              
levels(offers$jornadaF)
[1] ""            "COMPLETA"    "INDIFERENTE" "PARCIAL"    
# convertim les dades a encoding latin1
offers$subcategoriaS <- factor(iconv(offers$subcategoriaS, to = "latin1"))
levels(offers$subcategoriaS)
  [1] ""                                         "ABOGADOS"                                 "ACUICULTURA"                              "ADMINISTRATIVOS"                         
  [5] "AGENCIA DE VIAJES"                        "AGENTES COMERCIALES/REPRESENTANTES"       "AGRICULTURA/GANADERÍA"                    "ALBAÑILERIA/ACABADOS"                    
  [9] "ANALISTAS/PROGRAMADORES"                  "ANIMACIÓN TURÍSTICA"                      "ANIMACIÓN/TIEMPO LIBRE"                   "APRENDICES"                              
 [13] "APUESTAS Y JUEGO"                         "AREA DIRECTIVA"                           "ARQUITECTOS"                              "ARTE/CULTURA/ESPECTÁCULOS"               
 [17] "ARTESANÍA/OFICIOS"                        "ASISTENCIA E INTEGRACIÓN SOCIAL"          "AUXILIARES DE ENFERMERÍA/GERIATRÍA"       "AUXILIARES DE SERVICIO/PERSONAL SUBALTER"
 [21] "AYUDA DOMICILIARIA"                       "AYUDANTES DE COCINA/COMIDA RÁPIDA"        "BANCA/SEGUROS"                            "BIBLIOTECAS/ARCHIVOS/MUSEOS"             
 [25] "BUCEADORES"                               "CAJEROS SUPERMERCADO"                     "CAJEROS Y TAQUILLEROS"                    "CALIDAD"                                 
 [29] "CAMAREROS"                                "CARNICERÍA/CHARCUTERIA"                   "CARPINTERÍA"                              "CERRAJEROS/FORJA/HERREROS"               
 [33] "COCINEROS"                                "COMERCIO EXTERIOR"                        "COMPRAS/DISTRIBRUCIÓN"                    "COMUNICACIÓN/PUBLICIDAD/MARKETING"       
 [37] "CONSERVAS/ALIMENTOS/BEBIDAS"              "CONTABILIDAD/FINANZAS"                    "CRISTALEROS"                              "CUIDADO DE ANCIANOS/NIÑOS"               
 [41] "CUIDADORES Y ADIESTRADORES DE ANIMALES"   "DECORADORES"                              "DELINEANTES/PROYECTISTAS"                 "DEPENDIENTES"                            
 [45] "DIETÉTICA Y NUTRICIÓN"                    "DISEÑO GRÁFICO/WEB"                       "DISEÑO INDUSTRIAL"                        "ECONOMISTAS"                             
 [49] "EDICIÓN/INDUSTRIA GRÁFICA"                "EDUCACIÓN ESPECIAL/PEDAGOGÍA"             "EDUCACIÓN INFANTIL"                       "ELECTRICIDAD"                            
 [53] "ELECTRÓNICA"                              "ENCARGADOS DE OBRAS/CAPATACES"            "ENCARGADOS Y SUPERVISORES DE PRODUCCIÓN"  "ENCOFRADO/FERRALLA/ESTRUCTURAS"          
 [57] "ENCUESTADORES"                            "ENERGÍAS RENOVABLES"                      "ENFERMERÍA"                               "ENSEÑANZA DE IDIOMAS"                    
 [61] "ENSEÑANZA PRIMARIA Y SECUNDARIA"          "ERP/CRM/BUSSINESS INTELLIGENCE"           "ESTÉTICA"                                 "FARMACIA/ÓPTICA/AUDICIÓN"                
 [65] "FISIOTERAPIA/DEPORTE/MANTENIMIENTO FISIC" "FONTANERÍA"                               "FORESTAL/JARDINERÍA"                      "FORMACIÓN PROFESIONAL"                   
 [69] "FRÍO Y CLIMATIZACIÓN"                     "FUNDICIÓN/SIDERURGÍA"                     "GESTIÓN DE ALMACENES"                     "GESTIÓN DE PROYECTOS"                    
 [73] "GRÚAS/EXCAVADORAS/MAQUINARIA"             "I+D"                                      "IMAGEN Y SONIDO/AUDIOVISUAL"              "INFORMACIÓN/AZAFATAS/PROMOCIÓN COMERCIAL"
 [77] "INGENIERÍAS"                              "LIMPIEZA"                                 "MADERA Y MUEBLE/EBANISTERÍA"              "MAQUINA HERRAMIENTA/TORNO/FRESA"         
 [81] "MECÁNICA DEL AUTOMÓVIL"                   "MECÁNICA/MANTENIMIENTO"                   "MEDICINA"                                 "MEDIO AMBIENTE/QUÍMICA/BIOLOGÍA/LABORATO"
 [85] "MENSAJERÍA"                               "MICROINFORMATICA/ASISTENCIA TÉCNICA"      "MINAS/CANTERAS/PERFORACIONES"             "MONTADORES Y ENSAMBLADORES"              
 [89] "MOZOS DE ALMACÉN/CARRETILLEROS"           "NAVEGACIÓN"                               "ORDENANZAS/CONSERJES"                     "OTRAS ACTIVIDADES"                       
 [93] "OTRAS ACTIVIDADES TÉCNICAS"               "OTROS PROFESIONALES"                      "PANADERÍA/REPOSTERÍA"                     "PELUQUERÍA"                              
 [97] "PEONES"                                   "PEONES/OPERARIOS/MANIPULADORES"           "PERIODISMO E INFORMACIÓN"                 "PESCA"                                   
[101] "PINTURA"                                  "POMPAS FUNEBRES"                          "PREVENCIÓN RIESGOS LABORALES"             "PRIMER EMPLEO"                           
[105] "PRODUCCIÓN Y DISTRIBUCCIÓN DE ENERGIA"    "PROFESORES DE ENSEÑANZA SUPERIOR"         "PSICÓLOGOS"                               "RECEPCIONISTAS"                          
[109] "RECEPCIONISTAS DE HOTEL"                  "RECURSOS HUMANOS/PERSONAL"                "REPARTO DE MERCANCÍAS"                    "REPONEDORES"                             
[113] "SALUD DENTAL"                             "SECRETARIADO"                             "SEGURIDAD"                                "SERVICIO DOMÉSTICO"                      
[117] "SERVICIOS VETERINARIOS"                   "SISTEMAS/SEGURIDAD/REDES"                 "SOCIÓLOGOS"                               "SOLDADURA/CALDERERÍA/CHAPA"              
[121] "TECNICOS EN CONSTRUCCION"                 "TECNICOS METALURGICOS"                    "TELECOMUNICACIONES"                       "TELEOPERADORES"                          
[125] "TEXTIL/CONFECCIÓN/CALZADO"                "TOPOGRAFÍA"                               "TRANSPORTE AÉREO"                         "TRANSPORTE DE PERSONAS O MERCANCIAS"     
[129] "TRANSPORTE INTERNACIONAL/ESPECIAL"        "VENDEDORES"                               "VIGILANCIA/GUARDAS JURADOS"              
# convertim les dades a encoding latin1
offers$educacionF <- factor(iconv(offers$educacionF, to = "latin1"))
levels(offers$educacionF)
 [1] ""                                "Bachillerato"                    "Certificados de Profesionalidad" "Diplomado o Ingeniero Técnico"  "Diplomado o Ingeniero Técnico"   "Doctor Universitario"           
 [7] "ESO, EGB, Graduado Escolar"      "Estudios primarios"              "FP I, Ciclo de Grado Medio"      "FP II, Ciclo de Grado Superior"  "Licenciado o Ingeniero Superior" "Otras Formaciones"              
[13] "Postgrado Universitario"         "Sin especificar"                 "Sin estudios"                   

Tot i la conversió, encara tenim algun cas que no s’ha codificat correctament. El corregirem manualment.

offers$educacionF <- sub("Diplomado o Ingeniero Técnico", "Diplomado o Ingeniero Técnico", offers$educacionF)
offers$educacionF <- sub("Sin especificar", "", offers$educacionF)
offers$educacionF <- factor(offers$educacionF)
levels(offers$educacionF)
 [1] ""                                "Bachillerato"                    "Certificados de Profesionalidad" "Diplomado o Ingeniero Técnico"   "Doctor Universitario"            "ESO, EGB, Graduado Escolar"     
 [7] "Estudios primarios"              "FP I, Ciclo de Grado Medio"      "FP II, Ciclo de Grado Superior"  "Licenciado o Ingeniero Superior" "Otras Formaciones"               "Postgrado Universitario"        
[13] "Sin estudios"                   
# convertim les dades a encoding latin1
offers$ciudadF <- factor(iconv(offers$ciudadF, to = "latin1"))
length(levels(offers$ciudadF))
[1] 1905

He detectat que encara hi ha algun cas en el que no s’ha corregit bé, com per exemple Gijón, que apareix dues vegades en diferent format, però en aquest estudi no anirem al detall de ciutat, així que de moment no corregiré aquest problema.

Les dades contenen zeros o elements buits? Com gestionaries aquests casos?

Com hem vist anteriorment, tenim dades amb element buits en les característiques del tipus factor. Hem convertit també les dades amb valors sin especificar en valor buit, ja que aquest, per exemple, representa millor que la oferta està situada a una localització, però no sabem a on.

Passem ara a mirar si tenim elements nulls (NA).

sapply(offers, function(x)(sum(is.na(x))))
   categoriaF       ciudadF    comunidadF    educacionF fechaCreacion      jornadaF    provinciaS    salarioMax    salarioMin subcategoriaS 
           23             0             0             0             0             0             1         38087         31667             8 
length(offers$salarioMax)
[1] 40533

Passem ara a netejar les característiques numériques. Veiem que aproximadament una quarta part de les dades dispossen de valors de salari mínim i máxim. Aquests ens podrien ser suficient per al nostres estudi, sempre i quan tinguem suficient casos d’estudi per a les diferentes regions.

Llavors, ens quedarem amb les dades que tenen un salari mínim i descartarem la resta.

offers_sp <- subset(offers, !is.na(offers$salarioMin))
sapply(offers_sp, function(x)(sum(is.na(x))))
   categoriaF       ciudadF    comunidadF    educacionF fechaCreacion      jornadaF    provinciaS    salarioMax    salarioMin subcategoriaS 
            4             0             0             0             0             0             0          6420             0             2 

Com que hi ha menys dades amb salari máxim, podriem seguir alguna de les següents estratègies: - Descartar les dades sense salari maxim. Això reduiría molt el nombre de dades, però encara tindriem prou per al estudi que volem realitzar. - Imputar dades utilitzant KNN. Amb aquesta estratègia podriem obtenir els valors en funció de les dades veines. - Imputar els valors en funció de la mitjana poblacional de la mostra.

En aquesta ocasió utilitzarem l’algoritme KNN.

offers_sp$salarioMax <- kNN(offers_sp)$salarioMax
sapply(offers_sp, function(x)(sum(is.na(x))))
   categoriaF       ciudadF    comunidadF    educacionF fechaCreacion      jornadaF    provinciaS    salarioMax    salarioMin subcategoriaS 
            4             0             0             0             0             0             0             0             0             2 

NOTE: the following chunk seems to be a mistake in executing the previous code several times. Veiem que tenim moltes ciutats amb NA. Seguirem la mateixa estrategia que abans i com que sabem que la oferta ha d’estar ubicada en alguna ciutat (encara que sigui oferta online), substituirem els NA per valors buits “”.

offers_sp$ciudadF[is.na(offers_sp$ciudadF)] <- ""
sapply(offers_sp, function(x)(sum(is.na(x))))

Ara ens queden per tractar 4 casos de categoriaF i 2 de subcategoriaS.

kable(subset(offers_sp, is.na(offers_sp$categoriaF)))
categoriaF ciudadF comunidadF educacionF fechaCreacion jornadaF provinciaS salarioMax salarioMin subcategoriaS
32704 NA Las Palmas de Gran Canaria ISLAS CANARIAS Otras Formaciones 2018-06-05T16:50:28Z PARCIAL PALMAS (LAS) 1000 600 NA
32705 NA Bilbao PAÍS VASCO Licenciado o Ingeniero Superior 2018-03-02T08:33:14Z COMPLETA VIZCAYA 25000 20000 NA
32706 NA Bilbao PAÍS VASCO FP II, Ciclo de Grado Superior 2018-03-02T08:27:33Z COMPLETA VIZCAYA 25000 20000 SISTEMAS/SEGURIDAD/REDES
32707 NA Bilbao PAÍS VASCO FP II, Ciclo de Grado Superior 2018-03-02T08:15:32Z COMPLETA VIZCAYA 25000 20000 ANALISTAS/PROGRAMADORES

Mirant la subcategoria, veiem clarament que les dues últimes pertanyen a la categoria: INFORMÁTICA/TELECOMUNICACIONES, però malauradament, les dues primeres no tenen subcategoria. Així doncs, descartarem les dues primeres i ens quedarem amb les dues últimes, introduint el nou valor a la categoria.

offers_sp <- subset(offers_sp, !is.na(offers_sp$subcategoriaS))
sapply(offers_sp, function(x)(sum(is.na(x))))
   categoriaF       ciudadF    comunidadF    educacionF fechaCreacion      jornadaF    provinciaS    salarioMax    salarioMin subcategoriaS 
            2             0             0             0             0             0             0             0             0             0 

Com que nomès ens queden dos valors NA per substituir i son els que coneixem, podem fer la següent operació.

offers_sp[is.na(offers_sp)] <- c("INFORMÁTICA/TELECOMUNICACIONES")

Comprovem que ja no tenim cap valor NA.

sapply(offers_sp, function(x)(sum(is.na(x))))
   categoriaF       ciudadF    comunidadF    educacionF fechaCreacion      jornadaF    provinciaS    salarioMax    salarioMin subcategoriaS 
            0             0             0             0             0             0             0             0             0             0 

Seguidament podriem comprovar si les nostres dades tenen el tipus que desitjem.

sapply(offers_sp, function(x)(class(x)))
   categoriaF       ciudadF    comunidadF    educacionF fechaCreacion      jornadaF    provinciaS    salarioMax    salarioMin subcategoriaS 
     "factor"      "factor"      "factor"      "factor"      "factor"      "factor"      "factor"     "numeric"     "numeric"      "factor" 

Veiem que haurem de tractar el format de la característica fechaCreacion. En aquest moment, tenim la data com a un string amb el format: anys, mes, dia, hora. En el nostre cas, nomès amb l’any, mes i dia en tindrem prou. A més, haurem de donar-li el tipus de date type.

offers_sp$fechaCreacion <- as.Date(gsub("T\\d*:\\d*:\\d*Z", "", offers_sp$fechaCreacion))
sapply(offers_sp, function(x)(class(x)))
   categoriaF       ciudadF    comunidadF    educacionF fechaCreacion      jornadaF    provinciaS    salarioMax    salarioMin subcategoriaS 
     "factor"      "factor"      "factor"      "factor"        "Date"      "factor"      "factor"     "numeric"     "numeric"      "factor" 
summary(offers_sp)
                          categoriaF        ciudadF                    comunidadF                            educacionF   fechaCreacion               jornadaF        provinciaS     salarioMax        salarioMin    
 INFORMÁTICA/TELECOMUNICACIONES:1322            :1457   CATALUÑA            :3432                                 :4483   Min.   :2016-04-08              :1987   BARCELONA:2527   Min.   :      0   Min.   :     0  
 COMERCIAL/VENTAS              : 980   Barcelona:1037   MADRID              :1593   FP II, Ciclo de Grado Superior:1508   1st Qu.:2018-05-30   COMPLETA   :5402   MADRID   :1577   1st Qu.:   1200   1st Qu.:  1000  
 ADMINISTRACIÓN                : 724   Madrid   : 968   ANDALUCÍA           :1205   ESO, EGB, Graduado Escolar    : 572   Median :2018-09-04   INDIFERENTE: 185   GIRONA   : 411   Median :   1600   Median :  1700  
 SALUD/DEPORTE                 : 639   Girona   : 188   COMUNIDAD VALENCIANA: 511   FP I, Ciclo de Grado Medio    : 545   Mean   :2018-07-03   PARCIAL    :1290   VALENCIA : 284   Mean   :  11618   Mean   : 10091  
 HOSTELERÍA/TURISMO            : 579   Valencia : 121   CASTILLA Y LEÓN     : 327   Diplomado o Ingeniero Técnico : 543   3rd Qu.:2018-10-11                      TARRAGONA: 283   3rd Qu.:  18000   3rd Qu.: 18000  
 CONSTRUCCIÓN                  : 515   Sevilla  : 104   GALICIA             : 297   Estudios primarios            : 317   Max.   :2018-11-04                      SEVILLA  : 262   Max.   :9999999   Max.   :105000  
 (Other)                       :4105   (Other)  :4989   (Other)             :1499   (Other)                       : 896                                           (Other)  :3520                                     
                            subcategoriaS 
 AGENTES COMERCIALES/REPRESENTANTES: 781  
                                   : 554  
 ANALISTAS/PROGRAMADORES           : 417  
 ENFERMERÍA                        : 360  
 ADMINISTRATIVOS                   : 327  
 PEONES/OPERARIOS/MANIPULADORES    : 257  
 (Other)                           :6168  

Per últim, podem canviar el nombre de les característiques per que tinguin una mica més de sentit i guardem les dades en un nou fitxer csv.

names(offers_sp)
 [1] "categoriaF"    "ciudadF"       "comunidadF"    "educacionF"    "fechaCreacion" "jornadaF"      "provinciaS"    "salarioMax"    "salarioMin"    "subcategoriaS"
final_names <- c("Categoria", "Ciudad", "Comunidad", "Educacion", "FechaCreacion", "TipoJornada", "Provincia", "SalarioMax", "SalarioMin", "SubCategoria")
names(offers_sp) <- final_names
head(offers_sp)

Després de fer aquesta neteja, encara podriem comprobar si les nostres dades son consistents. Per fer aixó podriem mirar si tenim ofertes en les que el salari mínim sigui mallor que el salari màxim, i de ser així, eliminar-les del nostre dataset.

length(subset(offers_sp, SalarioMax < SalarioMin)$SalarioMax)
[1] 2035

Veiem que efectivament, tenim 2035 ofertes amb dades inconsistents. Procedirem doncs a eliminar-les.

offers_sp <- subset(offers_sp, SalarioMax >= SalarioMin)

En aquest punt, ens adonem que hi ha un tipus de registres en els quals tenim 0 a salari minim i máxim, lo que vol dir que aquestes ofertes no han introduit un valor real en quant als salaris, o bé son ofertes de pràctiques no remunerades. Ninguna d’aquestes opcions les volem contemplar en el nostre estudi, així que com tenim dades suficients, podem prescindir d’aquestes.

offers_sp <- subset(offers_sp, !(SalarioMin == 0 & SalarioMax == 0))

Finalment, podriem exportar el nostre conjunt de dades netejat.

write.csv(offers_sp, "./data/spanish_job_offers_clean.csv")

Identificació i tractament de valors extrems.

Donem ara un cop d’ull a les dades per tal d’identificar valors extrems.

boxplot(offers_sp$SalarioMin)

boxplot(offers_sp$SalarioMax)

boxplot(offers_sp$SalarioMin ~ offers_sp$Comunidad)

boxplot(offers_sp$SalarioMax ~ offers_sp$Comunidad)

TODO: Comprovar si realment hauriem de filtrar per categories

boxplot(subset(offers_sp, Categoria == "INFORMÁTICA/TELECOMUNICACIONES"))

boxplot.stats(offers_sp$SalarioMin)$out
 [1] 46200 40000 40000 40000 45000 42000 45000 50000 50000 40000 40000 39000 39000 39000 40000 45000
[17] 42000 39000 42000 39000 39000 39000 39000 40000 39000 39000 39000 46200
boxplot.stats(offers_sp$SalarioMax)$out
 [1]   85800   65000   65000   50000   50000   60000   45000   50000   50000   50000   50000  340000
[13]   50000   50000   65000   50000   50000 9999999  200000   45000 9999999   50000   60000   50000
[25]   50000   60000   50000  220000  100000   85800

Veiem que tenim valors extrems tant en els salaris màxims com en els mínims. En el cas dels salaris mínims, son valor raonables, i crec que els hauriem de deixar tal qual son. En canvi, trobem dos valors extrems molt curiosos, que semblen ser alguna mena de valor prefixat per a no donar un límit superior. En aquest cas, ja que son només dos valors i tenim suficient dades per al nostre estudi, considero que lo millor sería treure les dades corresponents. Així doncs, ho farem de la següent manera.

kable(subset(offers_sp, SalarioMax == 9999999))
Categoria Ciudad Comunidad Educacion FechaCreacion TipoJornada Provincia SalarioMax SalarioMin SubCategoria
17853 COMERCIAL/VENTAS Madrid MADRID 2018-09-11 INDIFERENTE MADRID 9999999 0 AGENTES COMERCIALES/REPRESENTANTES
18691 COMERCIAL/VENTAS Sevilla ANDALUCÍA 2018-09-11 INDIFERENTE SEVILLA 9999999 0 AGENTES COMERCIALES/REPRESENTANTES
kable(subset(offers_sp, SalarioMin == 0))
Categoria Ciudad Comunidad Educacion FechaCreacion TipoJornada Provincia SalarioMax SalarioMin SubCategoria
103 CONSTRUCCIÓN San Sebastián de los Reyes MADRID Otras Formaciones 2018-10-22 COMPLETA MADRID 1000 0 ALBAÑILERIA/ACABADOS
1036 INFORMÁTICA/TELECOMUNICACIONES Pamplona/Iruña NAVARRA FP II, Ciclo de Grado Superior 2018-10-29 COMPLETA NAVARRA 0 0 ERP/CRM/BUSSINESS INTELLIGENCE
1044 CONSTRUCCIÓN La Pobla de Vallbona COMUNIDAD VALENCIANA 2018-10-29 COMPLETA VALENCIA 0 0 PINTURA
3148 CONSTRUCCIÓN Tarancón CASTILLA LA MANCHA Sin estudios 2018-10-26 COMPLETA CUENCA 1500 0 FONTANERÍA
4721 SALUD/DEPORTE Benalmádena ANDALUCÍA Doctor Universitario 2018-10-26 INDIFERENTE MÁLAGA 0 0 SALUD DENTAL
4722 SALUD/DEPORTE Benalmádena ANDALUCÍA Diplomado o Ingeniero Técnico 2018-10-26 PARCIAL MÁLAGA 0 0 FISIOTERAPIA/DEPORTE/MANTENIMIENTO FISIC
4971 HOSTELERÍA/TURISMO Vila de Cruces GALICIA 2018-10-25 PARCIAL PONTEVEDRA 0 0 CAMAREROS
5312 COMERCIAL/VENTAS Madrid MADRID 2018-10-24 COMPLETA MADRID 0 0 AGENTES COMERCIALES/REPRESENTANTES
5990 CONSTRUCCIÓN Santander CANTABRIA 2018-10-24 COMPLETA CANTABRIA 0 0 ALBAÑILERIA/ACABADOS
6718 CONSTRUCCIÓN Boadilla del Monte MADRID 2018-10-24 COMPLETA MADRID 0 0 ENCARGADOS DE OBRAS/CAPATACES
7043 AGRICULTURA/JARDINERÍA/ALIMENTACIÓN Sant Joan d’Alacant COMUNIDAD VALENCIANA ESO, EGB, Graduado Escolar 2018-10-23 PARCIAL ALICANTE 1200 0 FORESTAL/JARDINERÍA
7637 CONSTRUCCIÓN Madrid MADRID Bachillerato 2018-05-21 COMPLETA MADRID 0 0 ENCARGADOS DE OBRAS/CAPATACES
7938 CONSTRUCCIÓN La Pobla de Vallbona COMUNIDAD VALENCIANA 2018-10-22 COMPLETA VALENCIA 0 0 FONTANERÍA
8308 CONSTRUCCIÓN Torrent COMUNIDAD VALENCIANA 2018-10-22 COMPLETA VALENCIA 0 0 ALBAÑILERIA/ACABADOS
8348 CONSTRUCCIÓN Torrent COMUNIDAD VALENCIANA 2018-10-22 COMPLETA VALENCIA 0 0 ALBAÑILERIA/ACABADOS
8920 FÁBRICAS/INDUSTRIA Beniparrell COMUNIDAD VALENCIANA 2018-10-19 INDIFERENTE VALENCIA 0 0 MADERA Y MUEBLE/EBANISTERÍA
9295 AGRICULTURA/JARDINERÍA/ALIMENTACIÓN Valencia COMUNIDAD VALENCIANA 2018-10-19 COMPLETA VALENCIA 2000 0 PANADERÍA/REPOSTERÍA
9862 CONSTRUCCIÓN Albacete CASTILLA LA MANCHA 2018-10-18 COMPLETA ALBACETE 0 0 ENCOFRADO/FERRALLA/ESTRUCTURAS
10258 PELUQUERÍA/ESTÉTICA Sagunto/Sagunt COMUNIDAD VALENCIANA FP I, Ciclo de Grado Medio 2018-10-17 PARCIAL VALENCIA 0 0 ESTÉTICA
10508 PELUQUERÍA/ESTÉTICA Valladolid CASTILLA Y LEÓN FP I, Ciclo de Grado Medio 2018-10-17 COMPLETA VALLADOLID 1500 0 ESTÉTICA
11225 INFORMÁTICA/TELECOMUNICACIONES Bétera COMUNIDAD VALENCIANA FP II, Ciclo de Grado Superior 2018-09-25 INDIFERENTE VALENCIA 1000 0 ANALISTAS/PROGRAMADORES
11444 ALMACENES/REPONEDORES Torrelavega CANTABRIA Estudios primarios 2018-10-16 COMPLETA CANTABRIA 0 0 MOZOS DE ALMACÉN/CARRETILLEROS
11561 COMUNICACIÓN/CULTURA/ENTRETENIMIENTO Torrelavega CANTABRIA Bachillerato 2018-10-16 PARCIAL CANTABRIA 0 0 ARTE/CULTURA/ESPECTÁCULOS
11905 ELECTRICIDAD/ELECTRÓNICA/ENERGÍA Torrejón de Ardoz MADRID FP II, Ciclo de Grado Superior 2018-10-16 COMPLETA MADRID 0 0 ELECTRÓNICA
12521 APRENDICES/PRIMER EMPLEO Madrid MADRID Estudios primarios 2018-06-28 COMPLETA MADRID 0 0 APRENDICES
12549 AGRICULTURA/JARDINERÍA/ALIMENTACIÓN ESO, EGB, Graduado Escolar 2018-10-14 COMPLETA 0 0 AGRICULTURA/GANADERÍA
13047 ADMINISTRACIÓN Madrid MADRID Diplomado o Ingeniero Técnico 2017-02-27 COMPLETA MADRID 0 0 RECURSOS HUMANOS/PERSONAL
13493 ADMINISTRACIÓN Barcelona CATALUÑA 2018-10-04 COMPLETA BARCELONA 1305 0 ADMINISTRATIVOS
13784 EDUCACIÓN/SERVICIOS SOCIALES Diplomado o Ingeniero Técnico 2018-10-04 PARCIAL 0 0 FORMACIÓN PROFESIONAL
13818 FÁBRICAS/INDUSTRIA Laviana PRINCIPADO DE ASTURIAS 2018-10-04 COMPLETA ASTURIAS 0 0 PEONES/OPERARIOS/MANIPULADORES
13914 ALMACENES/REPONEDORES Picassent COMUNIDAD VALENCIANA ESO, EGB, Graduado Escolar 2018-10-04 INDIFERENTE VALENCIA 1200 0 GESTIÓN DE ALMACENES
13946 CUIDADOS/ASISTENCIA EN EL HOGAR Tres Cantos MADRID Sin estudios 2018-10-04 PARCIAL MADRID 950 0 LIMPIEZA
14386 ELECTRICIDAD/ELECTRÓNICA/ENERGÍA Reus CATALUÑA FP I, Ciclo de Grado Medio 2018-06-21 COMPLETA TARRAGONA 1100 0 ELECTRICIDAD
14662 DEPENDIENTES/INFORMACIÓN Bétera COMUNIDAD VALENCIANA Bachillerato 2018-09-27 PARCIAL VALENCIA 600 0 TELEOPERADORES
15534 AGRICULTURA/JARDINERÍA/ALIMENTACIÓN Cuéllar CASTILLA Y LEÓN Sin estudios 2018-09-28 COMPLETA SEGOVIA 900 0 FORESTAL/JARDINERÍA
15578 COMERCIAL/VENTAS Pego COMUNIDAD VALENCIANA FP I, Ciclo de Grado Medio 2018-09-28 COMPLETA ALICANTE 0 0 VENDEDORES
15686 ADMINISTRACIÓN Leganés MADRID FP I, Ciclo de Grado Medio 2017-10-02 COMPLETA MADRID 0 0 CONTABILIDAD/FINANZAS
15706 ADMINISTRACIÓN Pamplona/Iruña NAVARRA Licenciado o Ingeniero Superior 2018-09-27 COMPLETA NAVARRA 0 0 ADMINISTRATIVOS
15760 METAL/MECÁNICA Paracuellos de Jarama MADRID 2018-09-27 COMPLETA MADRID 0 0 CERRAJEROS/FORJA/HERREROS
15822 ADMINISTRACIÓN Madrid MADRID Bachillerato 2018-09-27 PARCIAL MADRID 0 0 ADMINISTRATIVOS
16704 ADMINISTRACIÓN Leganés MADRID Bachillerato 2018-05-21 COMPLETA MADRID 0 0 ADMINISTRATIVOS
16906 COMERCIAL/VENTAS Santander CANTABRIA ESO, EGB, Graduado Escolar 2018-09-20 COMPLETA CANTABRIA 1000 0 VENDEDORES
17298 CONDUCTORES/TRANSPORTE ESO, EGB, Graduado Escolar 2018-09-19 COMPLETA 0 0 REPARTO DE MERCANCÍAS
17531 CONDUCTORES/TRANSPORTE Valdeltormo ARAGÓN 2018-09-18 COMPLETA TERUEL 0 0 REPARTO DE MERCANCÍAS
17853 COMERCIAL/VENTAS Madrid MADRID 2018-09-11 INDIFERENTE MADRID 9999999 0 AGENTES COMERCIALES/REPRESENTANTES
17854 CONSTRUCCIÓN Las Palmas de Gran Canaria ISLAS CANARIAS 2018-09-17 COMPLETA PALMAS (LAS) 0 0 CARPINTERÍA
17880 COMERCIAL/VENTAS Madrid MADRID Bachillerato 2018-09-17 INDIFERENTE MADRID 200000 0 AGENTES COMERCIALES/REPRESENTANTES
18130 CONSTRUCCIÓN Trigueros ANDALUCÍA ESO, EGB, Graduado Escolar 2018-09-14 COMPLETA HUELVA 0 0 TECNICOS EN CONSTRUCCION
18389 INFORMÁTICA/TELECOMUNICACIONES Leganés MADRID Otras Formaciones 2018-09-13 COMPLETA MADRID 0 0 TELECOMUNICACIONES
18682 INGENIERÍA/CALIDAD/CIENCIAS Telde ISLAS CANARIAS Diplomado o Ingeniero Técnico 2018-09-12 COMPLETA PALMAS (LAS) 0 0 OTRAS ACTIVIDADES TÉCNICAS
18684 CONDUCTORES/TRANSPORTE Estepona ANDALUCÍA Estudios primarios 2018-09-12 INDIFERENTE MÁLAGA 0 0 TRANSPORTE DE PERSONAS O MERCANCIAS
18691 COMERCIAL/VENTAS Sevilla ANDALUCÍA 2018-09-11 INDIFERENTE SEVILLA 9999999 0 AGENTES COMERCIALES/REPRESENTANTES
19036 ELECTRICIDAD/ELECTRÓNICA/ENERGÍA Las Navas de la Concepción ANDALUCÍA 2018-09-10 COMPLETA SEVILLA 3000 0 ELECTRICIDAD
19465 CONSTRUCCIÓN Porto do Son GALICIA 2018-09-06 COMPLETA CORUÑA (A) 0 0 GRÚAS/EXCAVADORAS/MAQUINARIA
19472 CONDUCTORES/TRANSPORTE Boiro GALICIA 2018-09-06 COMPLETA CORUÑA (A) 0 0 TRANSPORTE DE PERSONAS O MERCANCIAS
19491 CONSTRUCCIÓN Linares ANDALUCÍA 2018-09-06 COMPLETA JAÉN 1250 0 PEONES
19644 PELUQUERÍA/ESTÉTICA Olías del Rey CASTILLA LA MANCHA 2018-09-05 PARCIAL TOLEDO 0 0 PELUQUERÍA
19649 PELUQUERÍA/ESTÉTICA Olías del Rey CASTILLA LA MANCHA 2018-09-05 PARCIAL TOLEDO 0 0 ESTÉTICA
19659 AGRICULTURA/JARDINERÍA/ALIMENTACIÓN Silleda GALICIA 2018-09-05 PARCIAL PONTEVEDRA 0 0 CARNICERÍA/CHARCUTERIA
19797 FÁBRICAS/INDUSTRIA San Sebastián de los Reyes MADRID 2018-09-04 COMPLETA MADRID 0 0 ARTESANÍA/OFICIOS
19806 VIGILANCIA/SERVICIOS Gozón PRINCIPADO DE ASTURIAS Certificados de Profesionalidad 2018-09-04 INDIFERENTE ASTURIAS 0 0 AUXILIARES DE SERVICIO/PERSONAL SUBALTER
20058 CONSTRUCCIÓN Silleda GALICIA Estudios primarios 2018-09-03 COMPLETA PONTEVEDRA 1000 0 PEONES
20077 CONSTRUCCIÓN Silleda GALICIA ESO, EGB, Graduado Escolar 2018-09-03 COMPLETA PONTEVEDRA 1000 0 ALBAÑILERIA/ACABADOS
20401 PELUQUERÍA/ESTÉTICA Avilés PRINCIPADO DE ASTURIAS Certificados de Profesionalidad 2018-05-09 PARCIAL ASTURIAS 4 0 ESTÉTICA
20418 COMUNICACIÓN/CULTURA/ENTRETENIMIENTO Petrer COMUNIDAD VALENCIANA 2018-08-30 COMPLETA ALICANTE 15000 0 APUESTAS Y JUEGO
20420 CUIDADOS/ASISTENCIA EN EL HOGAR Sevilla ANDALUCÍA 2018-08-30 INDIFERENTE SEVILLA 850 0 LIMPIEZA
20582 PELUQUERÍA/ESTÉTICA Salamanca CASTILLA Y LEÓN Licenciado o Ingeniero Superior 2018-08-29 PARCIAL SALAMANCA 1200 0 ESTÉTICA
21013 ELECTRICIDAD/ELECTRÓNICA/ENERGÍA Ourense GALICIA FP I, Ciclo de Grado Medio 2018-08-28 COMPLETA OURENSE 0 0 ELECTRICIDAD
21210 COMUNICACIÓN/CULTURA/ENTRETENIMIENTO Madrid MADRID 2018-08-27 COMPLETA MADRID 0 0 COMUNICACIÓN/PUBLICIDAD/MARKETING
21974 CONSTRUCCIÓN Porto do Son GALICIA 2018-09-06 COMPLETA CORUÑA (A) 0 0 GRÚAS/EXCAVADORAS/MAQUINARIA
22139 CONSTRUCCIÓN Porto do Son GALICIA 2018-09-06 COMPLETA CORUÑA (A) 0 0 GRÚAS/EXCAVADORAS/MAQUINARIA
22146 CONDUCTORES/TRANSPORTE Boiro GALICIA 2018-09-06 COMPLETA CORUÑA (A) 0 0 TRANSPORTE DE PERSONAS O MERCANCIAS
22164 CONSTRUCCIÓN Linares ANDALUCÍA 2018-09-06 COMPLETA JAÉN 1250 0 PEONES
22341 PELUQUERÍA/ESTÉTICA Olías del Rey CASTILLA LA MANCHA 2018-09-05 PARCIAL TOLEDO 0 0 PELUQUERÍA
22346 PELUQUERÍA/ESTÉTICA Olías del Rey CASTILLA LA MANCHA 2018-09-05 PARCIAL TOLEDO 0 0 ESTÉTICA
22356 AGRICULTURA/JARDINERÍA/ALIMENTACIÓN Silleda GALICIA 2018-09-05 PARCIAL PONTEVEDRA 0 0 CARNICERÍA/CHARCUTERIA
22521 FÁBRICAS/INDUSTRIA San Sebastián de los Reyes MADRID 2018-09-04 COMPLETA MADRID 0 0 ARTESANÍA/OFICIOS
22530 VIGILANCIA/SERVICIOS Gozón PRINCIPADO DE ASTURIAS Certificados de Profesionalidad 2018-09-04 INDIFERENTE ASTURIAS 0 0 AUXILIARES DE SERVICIO/PERSONAL SUBALTER
22819 CONSTRUCCIÓN Silleda GALICIA Estudios primarios 2018-09-03 COMPLETA PONTEVEDRA 1000 0 PEONES
22838 CONSTRUCCIÓN Silleda GALICIA ESO, EGB, Graduado Escolar 2018-09-03 COMPLETA PONTEVEDRA 1000 0 ALBAÑILERIA/ACABADOS
23440 PELUQUERÍA/ESTÉTICA Avilés PRINCIPADO DE ASTURIAS Certificados de Profesionalidad 2018-05-09 PARCIAL ASTURIAS 4 0 ESTÉTICA
23457 COMUNICACIÓN/CULTURA/ENTRETENIMIENTO Petrer COMUNIDAD VALENCIANA 2018-08-30 COMPLETA ALICANTE 15000 0 APUESTAS Y JUEGO
23459 CUIDADOS/ASISTENCIA EN EL HOGAR Sevilla ANDALUCÍA 2018-08-30 INDIFERENTE SEVILLA 850 0 LIMPIEZA
23637 PELUQUERÍA/ESTÉTICA Salamanca CASTILLA Y LEÓN Licenciado o Ingeniero Superior 2018-08-29 PARCIAL SALAMANCA 1200 0 ESTÉTICA
24088 ELECTRICIDAD/ELECTRÓNICA/ENERGÍA Ourense GALICIA FP I, Ciclo de Grado Medio 2018-08-28 COMPLETA OURENSE 0 0 ELECTRICIDAD
24296 COMUNICACIÓN/CULTURA/ENTRETENIMIENTO Madrid MADRID 2018-08-27 COMPLETA MADRID 0 0 COMUNICACIÓN/PUBLICIDAD/MARKETING
25399 COMERCIAL/VENTAS Santander CANTABRIA 2018-08-17 PARCIAL CANTABRIA 0 0 VENDEDORES
25517 EDUCACIÓN/SERVICIOS SOCIALES El Astillero CANTABRIA Diplomado o Ingeniero Técnico 2018-08-16 PARCIAL CANTABRIA 0 0 ENSEÑANZA DE IDIOMAS
26002 ADMINISTRACIÓN Barcelona CATALUÑA 2018-08-08 COMPLETA BARCELONA 15000 0 ADMINISTRATIVOS
26003 ADMINISTRACIÓN Barcelona CATALUÑA 2018-08-08 COMPLETA BARCELONA 15000 0 ADMINISTRATIVOS
26626 SALUD/DEPORTE El Pedernoso CASTILLA LA MANCHA Diplomado o Ingeniero Técnico 2018-08-03 PARCIAL CUENCA 0 0 ENFERMERÍA
26702 ELECTRICIDAD/ELECTRÓNICA/ENERGÍA Valladolid CASTILLA Y LEÓN FP I, Ciclo de Grado Medio 2018-08-02 COMPLETA VALLADOLID 20000 0 ELECTRICIDAD
26785 VIGILANCIA/SERVICIOS Madrid MADRID 2018-07-30 COMPLETA MADRID 1200 0 AUXILIARES DE SERVICIO/PERSONAL SUBALTER
26786 FÁBRICAS/INDUSTRIA Argentona CATALUÑA 2018-06-18 COMPLETA BARCELONA 0 0 TEXTIL/CONFECCIÓN/CALZADO
30052 COMERCIAL/VENTAS Valencia COMUNIDAD VALENCIANA ESO, EGB, Graduado Escolar 2018-07-04 INDIFERENTE VALENCIA 2000 0 AGENTES COMERCIALES/REPRESENTANTES
30299 FÁBRICAS/INDUSTRIA Madrid MADRID Certificados de Profesionalidad 2017-06-06 INDIFERENTE MADRID 0 0 FUNDICIÓN/SIDERURGÍA
30301 FÁBRICAS/INDUSTRIA Madrid MADRID Certificados de Profesionalidad 2017-06-06 INDIFERENTE MADRID 0 0 FUNDICIÓN/SIDERURGÍA
32763 CONSTRUCCIÓN Madrid MADRID Licenciado o Ingeniero Superior 2018-06-04 INDIFERENTE MADRID 0 0 TECNICOS EN CONSTRUCCION
offers_sp <- subset(offers_sp, !(SalarioMax==9999999))
offers_sp$SalarioMin <- as.numeric(offers_sp$SalarioMin)
offers_sp$SalarioMax <- as.numeric(offers_sp$SalarioMax)
boxplot(offers_sp$SalarioMax ~ offers_sp$Comunidad)

Veiem que els valors extrems que tenim ara son més raonables, i considero que els podriem deixar tal qual.

4. Anàlisi de les dades

Selecció dels grups de dades que es volen analitzar/comparar (planificació dels anàlisis a aplicar)

Per al nostre estudi ens interesen les dades totals dels salaris máxims i mínims, però també estudiarem les característiques d’aquests salaris ofertats en les 4 communitats autónomes amb més ofertes.

summary(offers_sp)
                          Categoria          Ciudad                    Comunidad   
 INFORMÁTICA/TELECOMUNICACIONES: 978   Barcelona: 862   CATALUÑA            :2788  
 COMERCIAL/VENTAS              : 761            : 803   MADRID              :1320  
 ADMINISTRACIÓN                : 593   Madrid   : 786   ANDALUCÍA           : 831  
 CONSTRUCCIÓN                  : 455   Girona   : 158   COMUNIDAD VALENCIANA: 370  
 HOSTELERÍA/TURISMO            : 438   Valencia :  79   CASTILLA Y LEÓN     : 230  
 FÁBRICAS/INDUSTRIA            : 381   Sevilla  :  75   GALICIA             : 230  
 (Other)                       :3221   (Other)  :4064   (Other)             :1058  
                           Educacion    FechaCreacion             TipoJornada       Provincia   
                                :3146   Min.   :2016-04-08              :1054   BARCELONA:2051  
 FP II, Ciclo de Grado Superior :1214   1st Qu.:2018-07-11   COMPLETA   :4531   MADRID   :1305  
 ESO, EGB, Graduado Escolar     : 508   Median :2018-09-06   INDIFERENTE: 174   GIRONA   : 347  
 FP I, Ciclo de Grado Medio     : 473   Mean   :2018-07-20   PARCIAL    :1068   TARRAGONA: 242  
 Diplomado o Ingeniero Técnico  : 424   3rd Qu.:2018-10-13                      VALENCIA : 222  
 Licenciado o Ingeniero Superior: 263   Max.   :2018-11-04                      SEVILLA  : 197  
 (Other)                        : 799                                           (Other)  :2463  
   SalarioMax       SalarioMin                                SubCategoria 
 Min.   :     0   Min.   :    0   AGENTES COMERCIALES/REPRESENTANTES: 579  
 1st Qu.:  1200   1st Qu.:  900                                     : 389  
 Median :  1600   Median : 1300   ANALISTAS/PROGRAMADORES           : 295  
 Mean   :  9911   Mean   : 7432   ADMINISTRATIVOS                   : 288  
 3rd Qu.: 18500   3rd Qu.:15000   PEONES/OPERARIOS/MANIPULADORES    : 212  
 Max.   :340000   Max.   :50000   ELECTRICIDAD                      : 200  
                                  (Other)                           :4864  

Podem veure que aquestes son: Catalunya, Madrid, Andalucía i Comunitat Valenciana.

Creem doncs els grups.

offers_cat <- subset(offers_sp, Comunidad=="CATALUÑA")
offers_mad <- subset(offers_sp, Comunidad=="MADRID")
offers_and <- subset(offers_sp, Comunidad=="ANDALUCÍA")
offers_val <- subset(offers_sp, Comunidad=="COMUNIDAD VALENCIANA")

Comprovació de la normalitat i homogeneïtat de la variància.

Començem mirant si les variables pertanyen a una distribució normal.

qqnorm(offers_sp$SalarioMax)
qqline(offers_sp$SalarioMax)

qqnorm(offers_sp$SalarioMin)
qqline(offers_sp$SalarioMin)

Veiem que tant els salaris mínims com màxims no s’ajusten gaire bé a la normalitat. Mirarem ara com es comporten els grups creats anteriorment.

layout(matrix(c(1,2,3,4),2,2))
for(data in list(offers_cat,offers_mad,offers_and,offers_val)){
  qqnorm(data$SalarioMax)
  qqline(data$SalarioMax)
}

qqnorm(subset(offers_sp, Categoria == "INFORMÁTICA/TELECOMUNICACIONES")$SalarioMin)
qqline(subset(offers_sp, Categoria == "INFORMÁTICA/TELECOMUNICACIONES")$SalarioMin)

shapiro.test(subset(offers_sp, Categoria == "INFORMÁTICA/TELECOMUNICACIONES")$SalarioMin)

    Shapiro-Wilk normality test

data:  subset(offers_sp, Categoria == "INFORMÁTICA/TELECOMUNICACIONES")$SalarioMin
W = 0.91753, p-value < 2.2e-16

Veiem que tampoc s’ajusten gairebé a la normalitat.

Podriem també realitzar els càlculs mitjançant un test de Shapiro-Wilk.

for(data in list(offers_cat,offers_mad,offers_and,offers_val)){
  p_val <- shapiro.test(data$SalarioMax)
  print(p_val)
}

    Shapiro-Wilk normality test

data:  data$SalarioMax
W = 0.69585, p-value < 2.2e-16


    Shapiro-Wilk normality test

data:  data$SalarioMax
W = 0.66218, p-value < 2.2e-16


    Shapiro-Wilk normality test

data:  data$SalarioMax
W = 0.52212, p-value < 2.2e-16


    Shapiro-Wilk normality test

data:  data$SalarioMax
W = 0.81917, p-value < 2.2e-16
for(data in list(offers_cat,offers_mad,offers_and,offers_val)){
  p_val <- shapiro.test(data$SalarioMin)
  print(p_val)
}

    Shapiro-Wilk normality test

data:  data$SalarioMin
W = 0.65838, p-value < 2.2e-16


    Shapiro-Wilk normality test

data:  data$SalarioMin
W = 0.89981, p-value < 2.2e-16


    Shapiro-Wilk normality test

data:  data$SalarioMin
W = 0.52533, p-value < 2.2e-16


    Shapiro-Wilk normality test

data:  data$SalarioMin
W = 0.82152, p-value < 2.2e-16

En tots els casos veiem que el valor de p_value no supera el 0.05, amb la qual cosa no passen el test de normalitat, es a dir, no segueixen una distribució normal.

Seguidament podriem mirar la homogeneïtat de la variància. Per a tal efecte, podriem aplicar un test de Fligner-Killeen.

fligner.test(SalarioMin ~ SalarioMax, data=offers_sp )

    Fligner-Killeen test of homogeneity of variances

data:  SalarioMin by SalarioMax
Fligner-Killeen:med chi-squared = 2231.1, df = 289, p-value < 2.2e-16

Com que el valor de p_value es menor que 0.05, no podem acceptar la hipòtesi nul·la de que les variàncies son homogenies.

TODO: To be removed, looking for variances.

fligner.test(SalarioMin ~ SalarioMax, data=subset(offers_sp, Categoria == "INFORMÁTICA/TELECOMUNICACIONES") )

    Fligner-Killeen test of homogeneity of variances

data:  SalarioMin by SalarioMax
Fligner-Killeen:med chi-squared = 206.85, df = 67, p-value = 3.483e-16

Aplicació de proves estadístiques per comparar els grups de dades. En funció de les dades de l’objectiu de l’estudi, aplicar proves de contrast d’hipòtesi, correlacions, regressions, etc.

Lógicament, la correlació del salari mínim i màxim ha de ser positiva, en la que a major salari mínim tenim també un major salari màxim. De totes maneres, per ilustrar aquesta relació, podem calcular el valor de correlació d’aquestes dues variables.

cor_matrix <- cor(offers_sp$SalarioMin, offers_sp$SalarioMax)
round(cor_matrix, 2)
[1] 0.86

Veiem que aquest valor s’aproxima molt a 1, donant-nos així el resultat esperat.

Podriem passar ara a crear un model de regressió lineal en funció de la comunitat a on sorgeix la oferta.

# Creem el nostre model lineal
model_1 <- lm(SalarioMax ~ SalarioMin, data=offers_sp)
summary(model_1)$r.squared
[1] 0.7373753
# Creem el nostre model lineal
model_cat <- lm(SalarioMax ~ SalarioMin + Categoria, data=offers_cat)
summary(model_cat)$r.squared
[1] 0.8458042
data_pred_1 <- data.frame(Comunidad="CATALUÑA", SalarioMin=20000)
predict(model_1, data_pred_1)
       1 
24981.38 
data_pred_cat <- data.frame(Comunidad="CATALUÑA", SalarioMin=20000, Categoria="INFORMÁTICA/TELECOMUNICACIONES")
predict(model_cat, data_pred_cat)
       1 
25114.95 

Veiem que amb aquests models podem fer prediccions sobre quant podria arribar a ser el salari màxim en funció del mínim, la comunitat i la categoria de la oferta.

Seguidament podriem fer un contrast entre regions per tal de donar resposta a la pregunta: a Catalunya es generen ofertes de treball amb un salari mínim superior a la resta d’Espanya?

Per a tal motiu utilitzarem necessitarem preparar el conjunt de dades de mostres de comunitats diferents a Catalunya.

offers_no_cat <- subset(offers_sp, !(Comunidad=="CATALUÑA"))

Per aquest estudi utilitzarem la següent hipòtesi nul·la i alternativa:

\[H0: \mu_1-\mu_2 = 0\]

\[H1: \mu_1-\mu_2 > 0\]

Farem servir un contrast sobre la diferència de mitjanes. Com que les nostres dues mostres tenen més de 30 observacions, gràcies al teorema del límit central podrem considerar-les com distribucions normals.

TODO: Problema, no tenim homogeneitat a la variancia …

t.test(offers_cat$SalarioMin, offers_no_cat$SalarioMin, alternative = "greater")

    Welch Two Sample t-test

data:  offers_cat$SalarioMin and offers_no_cat$SalarioMin
t = -12.441, df = 6310.4, p-value = 1
alternative hypothesis: true difference in means is greater than 0
95 percent confidence interval:
 -3087.379       Inf
sample estimates:
mean of x mean of y 
 5896.205  8623.017 

Com que el p-value es major que 0.05, no podem rebutjar la hipòtesi nul·la, lo que vol dir que no podem afirmar que el salari mínim les ofertes de treball a Catalunya sigui més alt que a la resta d’Espanya.

5. Representació dels resultats a partir de taules i gràfiques.

6. Resolució del problema. A partir dels resultats obtinguts, quines són les conclusions? Els resultats permeten respondre al problema?

7. Codi: Cal adjuntar el codi

---
title: "Cleaning Spanish Job Market Dataset"
author: "Antonio Milán Otero"
date: "December 15, 2018"
output:
  html_document:
    toc: yes
  pdf_document:
    toc: yes
  html_notebook: 
    toc: yes
---

```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE)
```

```{r load_libraries, include=FALSE}
library(knitr)
library(lubridate)
library(VIM)
library(stringr)
library(psych)
library(ggplot2)
# for ploting correlations
library(ellipse)
library(plyr)
```

## 1. Descripció del dataset

Aquest dataset prové de la pràctica anterior, en la qual, no vaig prestar gens d'atenció a la neteja de les dades, donant com a resultat un dataset molt brut. Això es va fer a proposit per tal de poder aprofitar aquest dataset en aquesta pràctica.

Aquest dataset conté informació sobre ofertes laborals trobades a la web proporcionada per l'estat Espanyol per a tal proposit.

La pregunta que volem respondre amb aquest dataset serà:

- Quines regions d'Espanya generen més ofertes de treball?
- Quin tipus de professional es el més solicitat a Espanya (durant el periode de mostreig)?
- Estudi sobre els salaris en relació a les regions. A on trobem un major salari?

A la pràctica anterior enumerabem també les següents idees:

- Analitzar els diferents requeriments professionals que tenen les diferents autonomies d'Espanya.
- Identificar el tipus i la qualitat del treball actual al país.
- Analitzar les regions amb més i menys ofertes de treball.
- Analitzar la distribució de les diferents professions en funció de la regió.
- Ajudar a la creació d’un pla per potenciar el mercat laboral basat en el coneixement obtingut a través de les dades.

Però aquestes les deixarem per futurs treballs.

## 2. Integració i selecció de les dades d'interès a analitzar

Per aquest apartat ja es va crear un script python que s'encarregaba d'ajuntar les dades obtingudes en diferents dies. La idea darrera d'aquest script era la de recolectar totes les dades disponibles a la web en una primera pasada, i desprès anar actualitzant el dataset agafant dades diaries i agrupant-les sota el mateix fitxer .csv

Per tant, en aquest apartat considero que no haig de fer més que el ja fet fins a la data.

El script es pot trobar en la següent URL:
[https://github.com/amilan/spanish_job_market/blob/master/src/dataset_merge.py]

També tinc en compte, que la web oficial de la qual es va extreure les dades, ja recopila aquestes dades de diferent fonts, així doncs, no considero que sigui necessari l'integració de dades de diferentes fonts, ja que aquesta ha estat realitzada anteriorment.

> Hauria d'explicar una mica com faria aquesta integració en cas de que no hagués estat feta per la propia font utilitzada?
> Revisar si s'ha d'expandir més aquesta explicació sobre la integració i selecció de dades d'interès

En aquest apartat seleccionarem les dades necessaries per als nostres estudis.
Hem de tenir en compte, que a la pràctica anterior hem vaig limitar a agafar totes les dades possibles i a possar-les en un fitxer .csv.
Aquestes dades provenien d'una base de dades NoSQL, ja que vaig detectar que amb les mateixes crides, podiem obtenir dades amb diferents esquemes (schemaless). Així doncs, farem una selecció de les dades que utilitzarem i eliminarem així dades no necessàries o repetides.

Començem carregant les dades:

```{r}
offers <- read.csv("./data/offers_dataset.csv")
head(offers)
```

```{r}
length(offers$categoria)
```

Com podem veure, tenim 40534 registres i 94 característiques, moltes de les quals no ens seràn d'utilitat.

```{r}
names(offers)
```

Així doncs, començarem seleccionant les dades d'interés. Recordem que la meva intenció es la de fer un estudi sobre els tipus d'ofertes de treballs a Espanya i en concret a cadascuna de les regions.

Primerament, comprovarem que només tenim dades d'ofertes realitzades a Espanya.

```{r}
levels(offers$paisS)
```

Comprovem dues coses, que tenim ofertes d'Espanya i també al Congo, i que tenim un problema de codificació de caracters, ja que ens troba el país d'Espanya en tres factors diferents. Com que només volem utilitzar les dades de les ofertes a Espanya, podem seleccionar totes les que no siguin al Congo i desprès eliminar aquesta columna.

Podem corregir les dades erronees de país:

```{r}
offers$paisS <- sub("ESPAÃ‘A", "ESPAÑA", offers$paisS)
offers$paisS <- sub("ESPA��A", "ESPAÑA", offers$paisS)
levels(factor(offers$paisS))
```

També podriem haver canviat la codificació dels caracters, com veurem més endavant.

Seleccionem ara només les ofertes a Espanya.

```{r}
#offers_sp <- subset(offers, !(paisS %in% c("CONGO"))
#offers_sp <- subset(offers, !(paisS == "CONGO"))
offers <- subset(offers, paisS == "ESPAÑA")
levels(factor(offers$paisS))
# paisS es ara del tipus chr, hauriem de convertirla de nou a factor
offers$paisS <- factor(offers$paisS)
```
```{r}
class(offers$paisS)
```

Seguidament, eliminarem les colummnes que ofereixen informació duplicada. Ens quedarem amb les característiques:

- categoriaF
- ciudadF
- comunidadF
- educacionF
- fechaCreacion
- jornadaF
- provinciaS
- salarioMax
- salarioMin
- subcategoriaS

```{r}
selected_features <- c("categoriaF", "ciudadF", "comunidadF", "educacionF", "fechaCreacion", "jornadaF", "provinciaS", "salarioMax", "salarioMin", "subcategoriaS")
offers <- offers[selected_features]
head(offers)
```

# 3. Neteja de les dades

Com que ens hem adonat abans que hi teniem problemes de codificació amb els strings, lo primer que farem serà corregir aquests problemes.


```{r}
levels(offers$comunidadF)
```

```{r}
offers$comunidadF <- sub("ARAGÃ“N", "ARAGÓN", offers$comunidadF)
offers$comunidadF <- sub("CASTILLA Y LE��N", "CASTILLA Y LEÓN", offers$comunidadF)
offers$comunidadF <- sub("CASTILLA Y LEÃ“N", "CASTILLA Y LEÓN", offers$comunidadF)
offers$comunidadF <- sub("CATALU��A", "CATALUÑA", offers$comunidadF)
offers$comunidadF <- sub("CATALUÃ‘A", "CATALUÑA", offers$comunidadF)
offers$comunidadF <- sub("ANDALUCÃ�A", "ANDALUCÍA", offers$comunidadF)
offers$comunidadF <- sub("REGI��N DE MURCIA", "REGIÓN DE MURCIA", offers$comunidadF)
offers$comunidadF <- sub("REGIÃ“N DE MURCIA", "REGIÓN DE MURCIA", offers$comunidadF)
offers$comunidadF <- sub("PAÃ�S VASCO", "PAÍS VASCO", offers$comunidadF)
offers$comunidadF <- sub("Sin especificar", "", offers$comunidadF)
offers$comunidadF <- factor(offers$comunidadF)
levels(offers$comunidadF)
```

Veiem que en aquest cas podem tenir valor buit ("") o __sin especificar__. Ens interessa deixar-ho com valor buit, ja que sabem que la oferta ha d'estar ubicada en alguna comunitat, però no sabem en quina.

```{r}
levels(offers$categoriaF)
```

En comptes de corregir un a un, transformarem les dades al format latin1.

```{r}
# convertim les dades a encoding latin1
offers$categoriaF <- factor(iconv(offers$categoriaF, to = "latin1"))
levels(offers$categoriaF)
```
> TODO:
Revisar provincias!!! Guipuzcua esta repetida!!!!

```{r}
levels(offers$provinciaS)
```

Podem veure que Guipúzcua està repetida degut a la mala codificació.

```{r}
# convertim les dades a encoding latin1
offers$provinciaS <- factor(iconv(offers$provinciaS, to = "latin1"))
levels(offers$provinciaS)
```

```{r}
levels(offers$jornadaF)
```

```{r}
# convertim les dades a encoding latin1
offers$subcategoriaS <- factor(iconv(offers$subcategoriaS, to = "latin1"))
levels(offers$subcategoriaS)
```

```{r}
# convertim les dades a encoding latin1
offers$educacionF <- factor(iconv(offers$educacionF, to = "latin1"))
levels(offers$educacionF)
```

Tot i la conversió, encara tenim algun cas que no s'ha codificat correctament. El corregirem manualment.

```{r}
offers$educacionF <- sub("Diplomado o Ingeniero TÃ©cnico", "Diplomado o Ingeniero Técnico", offers$educacionF)
offers$educacionF <- sub("Sin especificar", "", offers$educacionF)
offers$educacionF <- factor(offers$educacionF)
levels(offers$educacionF)
```

```{r}
# convertim les dades a encoding latin1
offers$ciudadF <- factor(iconv(offers$ciudadF, to = "latin1"))
length(levels(offers$ciudadF))
```

He detectat que encara hi ha algun cas en el que no s'ha corregit bé, com per exemple Gijón, que apareix dues vegades en diferent format, però en aquest estudi no anirem al detall de ciutat, així que de moment no corregiré aquest problema.

## Les dades contenen zeros o elements buits? Com gestionaries aquests casos?

Com hem vist anteriorment, tenim dades amb element buits en les característiques del tipus factor. Hem convertit també les dades amb valors __sin especificar__ en valor buit, ja que aquest, per exemple, representa millor que la oferta està situada a una localització, però no sabem a on.

Passem ara a mirar si tenim elements nulls (NA).

```{r}
sapply(offers, function(x)(sum(is.na(x))))
```

```{r}
length(offers$salarioMax)
```

Passem ara a netejar les característiques numériques. Veiem que aproximadament una quarta part de les dades dispossen de valors de salari mínim i máxim. Aquests ens podrien ser suficient per al nostres estudi, sempre i quan tinguem suficient casos d'estudi per a les diferentes regions.

Llavors, ens quedarem amb les dades que tenen un salari mínim i descartarem la resta.

```{r}
offers_sp <- subset(offers, !is.na(offers$salarioMin))
```

```{r}
sapply(offers_sp, function(x)(sum(is.na(x))))
```

Com que hi ha menys dades amb salari máxim, podriem seguir alguna de les següents estratègies:
- Descartar les dades sense salari maxim. Això reduiría molt el nombre de dades, però encara tindriem prou per al estudi que volem realitzar.
- Imputar dades utilitzant KNN. Amb aquesta estratègia podriem obtenir els valors en funció de les dades veines.
- Imputar els valors en funció de la mitjana poblacional de la mostra.

En aquesta ocasió utilitzarem l'algoritme KNN.

```{r}
offers_sp$salarioMax <- kNN(offers_sp)$salarioMax
sapply(offers_sp, function(x)(sum(is.na(x))))
```

>NOTE: the following chunk seems to be a mistake in executing the previous code several times.
Veiem que tenim moltes ciutats amb NA. Seguirem la mateixa estrategia que abans i com que sabem que la oferta ha d'estar ubicada en alguna ciutat (encara que sigui oferta online), substituirem els NA per valors buits "".

```{r, eval=FALSE}
offers_sp$ciudadF[is.na(offers_sp$ciudadF)] <- ""
sapply(offers_sp, function(x)(sum(is.na(x))))
```

Ara ens queden per tractar 4 casos de categoriaF i 2 de subcategoriaS.

```{r}
kable(subset(offers_sp, is.na(offers_sp$categoriaF)))
```

Mirant la subcategoria, veiem clarament que les dues últimes pertanyen a la categoria: INFORMÁTICA/TELECOMUNICACIONES, però malauradament, les dues primeres no tenen subcategoria. Així doncs, descartarem les dues primeres i ens quedarem amb les dues últimes, introduint el nou valor a la categoria.

```{r}
offers_sp <- subset(offers_sp, !is.na(offers_sp$subcategoriaS))
```

```{r}
sapply(offers_sp, function(x)(sum(is.na(x))))
```

Com que nomès ens queden dos valors NA per substituir i son els que coneixem, podem fer la següent operació.

```{r}
offers_sp[is.na(offers_sp)] <- c("INFORMÁTICA/TELECOMUNICACIONES")
```

Comprovem que ja no tenim cap valor NA.

```{r}
sapply(offers_sp, function(x)(sum(is.na(x))))
```

Seguidament podriem comprovar si les nostres dades tenen el tipus que desitjem.

```{r}
sapply(offers_sp, function(x)(class(x)))
```

Veiem que haurem de tractar el format de la característica fechaCreacion. En aquest moment, tenim la data com a un string amb el format: anys, mes, dia, hora. En el nostre cas, nomès amb l'any, mes i dia en tindrem prou. A més, haurem de donar-li el tipus de date type.

```{r}
offers_sp$fechaCreacion <- as.Date(gsub("T\\d*:\\d*:\\d*Z", "", offers_sp$fechaCreacion))
sapply(offers_sp, function(x)(class(x)))
```

```{r}
summary(offers_sp)
```

Per últim, podem canviar el nombre de les característiques per que tinguin una mica més de sentit i guardem les dades en un nou fitxer csv.

```{r}
names(offers_sp)
```

```{r}
final_names <- c("Categoria", "Ciudad", "Comunidad", "Educacion", "FechaCreacion", "TipoJornada", "Provincia", "SalarioMax", "SalarioMin", "SubCategoria")
names(offers_sp) <- final_names
head(offers_sp)
```

Després de fer aquesta neteja, encara podriem comprobar si les nostres dades son consistents. Per fer aixó podriem mirar si tenim ofertes en les que el salari mínim sigui mallor que el salari màxim, i de ser així, eliminar-les del nostre dataset.

```{r}
length(subset(offers_sp, SalarioMax < SalarioMin)$SalarioMax)
```

Veiem que efectivament, tenim 2035 ofertes amb dades inconsistents. Procedirem doncs a eliminar-les.

```{r}
offers_sp <- subset(offers_sp, SalarioMax >= SalarioMin)
```

En aquest punt, ens adonem que hi ha un tipus de registres en els quals tenim 0 a salari minim i máxim, lo que vol dir que aquestes ofertes no han introduit un valor real en quant als salaris, o bé son ofertes de pràctiques no remunerades. Ninguna d'aquestes opcions les volem contemplar en el nostre estudi, així que com tenim dades suficients, podem prescindir d'aquestes.

```{r}
offers_sp <- subset(offers_sp, !(SalarioMin == 0 & SalarioMax == 0))
```

Finalment, podriem exportar el nostre conjunt de dades netejat.

```{r}
write.csv(offers_sp, "./data/spanish_job_offers_clean.csv")
```

## Identificació i tractament de valors extrems.

Donem ara un cop d'ull a les dades per tal d'identificar valors extrems.

```{r}
boxplot(offers_sp$SalarioMin)
```

```{r}
boxplot(offers_sp$SalarioMax)
```

```{r}
boxplot(offers_sp$SalarioMin ~ offers_sp$Comunidad)
```

```{r}
boxplot(offers_sp$SalarioMax ~ offers_sp$Comunidad)
```

>TODO: Comprovar si realment hauriem de filtrar per categories

```{r}
boxplot(subset(offers_sp, Categoria == "INFORMÁTICA/TELECOMUNICACIONES"))
```

```{r}
boxplot.stats(offers_sp$SalarioMin)$out
```

```{r}
boxplot.stats(offers_sp$SalarioMax)$out
```

Veiem que tenim valors extrems tant en els salaris màxims com en els mínims. En el cas dels salaris mínims, son valor raonables, i crec que els hauriem de deixar tal qual son. En canvi, trobem dos valors extrems molt curiosos, que semblen ser alguna mena de valor prefixat per a no donar un límit superior. En aquest cas, ja que son només dos valors i tenim suficient dades per al nostre estudi, considero que lo millor sería treure les dades corresponents. Així doncs, ho farem de la següent manera.

```{r}
kable(subset(offers_sp, SalarioMax == 9999999))
```

```{r}
kable(subset(offers_sp, SalarioMin == 0))
```

```{r}
offers_sp <- subset(offers_sp, !(SalarioMax==9999999))
```

```{r}
offers_sp$SalarioMin <- as.numeric(offers_sp$SalarioMin)
offers_sp$SalarioMax <- as.numeric(offers_sp$SalarioMax)
boxplot(offers_sp$SalarioMax ~ offers_sp$Comunidad)
```

Veiem que els valors extrems que tenim ara son més raonables, i considero que els podriem deixar tal qual.


# 4. Anàlisi de les dades
## Selecció dels grups de dades que es volen analitzar/comparar (planificació dels anàlisis a aplicar)

Per al nostre estudi ens interesen les dades totals dels salaris máxims i mínims, però també estudiarem les característiques d'aquests salaris ofertats en les 4 communitats autónomes amb més ofertes.

```{r}
summary(offers_sp)
```

Podem veure que aquestes son: Catalunya, Madrid, Andalucía i Comunitat Valenciana.

Creem doncs els grups.

```{r}
offers_cat <- subset(offers_sp, Comunidad=="CATALUÑA")
offers_mad <- subset(offers_sp, Comunidad=="MADRID")
offers_and <- subset(offers_sp, Comunidad=="ANDALUCÍA")
offers_val <- subset(offers_sp, Comunidad=="COMUNIDAD VALENCIANA")
```


## Comprovació de la normalitat i homogeneïtat de la variància.

Començem mirant si les variables pertanyen a una distribució normal.

```{r}
qqnorm(offers_sp$SalarioMax)
qqline(offers_sp$SalarioMax)
```

```{r}
qqnorm(offers_sp$SalarioMin)
qqline(offers_sp$SalarioMin)
```

Veiem que tant els salaris mínims com màxims no s'ajusten gaire bé a la normalitat. Mirarem ara com es comporten els grups creats anteriorment.

```{r}
layout(matrix(c(1,2,3,4),2,2))
for(data in list(offers_cat,offers_mad,offers_and,offers_val)){
  qqnorm(data$SalarioMax)
  qqline(data$SalarioMax)
}
```

```{r}
qqnorm(subset(offers_sp, Categoria == "INFORMÁTICA/TELECOMUNICACIONES")$SalarioMin)
qqline(subset(offers_sp, Categoria == "INFORMÁTICA/TELECOMUNICACIONES")$SalarioMin)
shapiro.test(subset(offers_sp, Categoria == "INFORMÁTICA/TELECOMUNICACIONES")$SalarioMin)
```

Veiem que tampoc s'ajusten gairebé a la normalitat.

Podriem també realitzar els càlculs mitjançant un test de Shapiro-Wilk.

```{r}
for(data in list(offers_cat,offers_mad,offers_and,offers_val)){
  p_val <- shapiro.test(data$SalarioMax)
  print(p_val)
}
```

```{r}
for(data in list(offers_cat,offers_mad,offers_and,offers_val)){
  p_val <- shapiro.test(data$SalarioMin)
  print(p_val)
}
```

En tots els casos veiem que el valor de p_value no supera el 0.05, amb la qual cosa no passen el test de normalitat, es a dir, no segueixen una distribució normal.

Seguidament podriem mirar la homogeneïtat de la variància. Per a tal efecte, podriem aplicar un test de Fligner-Killeen.

```{r}
fligner.test(SalarioMin ~ SalarioMax, data=offers_sp )
```

Com que el valor de p_value es menor que 0.05, no podem acceptar la hipòtesi nul·la de que les variàncies son homogenies.

>TODO: To be removed, looking for variances.

```{r}
fligner.test(SalarioMin ~ SalarioMax, data=subset(offers_sp, Categoria == "INFORMÁTICA/TELECOMUNICACIONES") )
```

## Aplicació de proves estadístiques per comparar els grups de dades. En funció de les dades de l'objectiu de l'estudi, aplicar proves de contrast d'hipòtesi, correlacions, regressions, etc.

Lógicament, la correlació del salari mínim i màxim ha de ser positiva, en la que a major salari mínim tenim també un major salari màxim. De totes maneres, per ilustrar aquesta relació, podem calcular el valor de correlació d'aquestes dues variables.

```{r}
cor_matrix <- cor(offers_sp$SalarioMin, offers_sp$SalarioMax)
round(cor_matrix, 2)
```

Veiem que aquest valor s'aproxima molt a 1, donant-nos així el resultat esperat.

Podriem passar ara a crear un model de regressió lineal en funció de la comunitat a on sorgeix la oferta.

```{r}

# Creem el nostre model lineal
model_1 <- lm(SalarioMax ~ SalarioMin, data=offers_sp)
summary(model_1)$r.squared
```

```{r}

# Creem el nostre model lineal
model_cat <- lm(SalarioMax ~ SalarioMin + Categoria, data=offers_cat)
summary(model_cat)$r.squared
```

```{r}
data_pred_1 <- data.frame(Comunidad="CATALUÑA", SalarioMin=20000)
predict(model_1, data_pred_1)
```

```{r}
data_pred_cat <- data.frame(Comunidad="CATALUÑA", SalarioMin=20000, Categoria="INFORMÁTICA/TELECOMUNICACIONES")
predict(model_cat, data_pred_cat)
```

Veiem que amb aquests models podem fer prediccions sobre quant podria arribar a ser el salari màxim en funció del mínim, la comunitat i la categoria de la oferta.

Seguidament podriem fer un contrast entre regions per tal de donar resposta a la pregunta: a Catalunya es generen ofertes de treball amb un salari mínim superior a la resta d'Espanya?

Per a tal motiu utilitzarem necessitarem preparar el conjunt de dades de mostres de comunitats diferents a Catalunya.

```{r}
offers_no_cat <- subset(offers_sp, !(Comunidad=="CATALUÑA"))
```

Per aquest estudi utilitzarem la següent hipòtesi nul·la i alternativa:

$$H0: \mu_1-\mu_2 = 0$$

$$H1: \mu_1-\mu_2 > 0$$

Farem servir un contrast sobre la diferència de mitjanes. Com que les nostres dues mostres tenen més de 30 observacions, gràcies al teorema del límit central podrem considerar-les com distribucions normals. 

> TODO: Problema, no tenim homogeneitat a la variancia ... 

```{r}
t.test(offers_cat$SalarioMin, offers_no_cat$SalarioMin, alternative = "greater")
```

Com que el p-value es major que 0.05, no podem rebutjar la hipòtesi nul·la, lo que vol dir que no podem afirmar que el salari mínim les ofertes de treball a Catalunya sigui més alt que a la resta d'Espanya.

# 5. Representació dels resultats a partir de taules i gràfiques.

# 6. Resolució del problema. A partir dels resultats obtinguts, quines són les conclusions? Els resultats permeten respondre al problema?

# 7. Codi: Cal adjuntar el codi

